神经网络中关于卷积池化的计算（不为整数时，卷积向下取整，池化向上取整）

输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1，stride 1）之后，输出特征图大小为：97

#输出=（input_w+2*p-k）/stride  +1

这个公式：N=（image_h + 2*pad_h – kernel_h）/stride_h+ 1

解析：

一层卷积 ：注意：这里卷积是向下取整的

池化：

二层卷积：

计算尺寸不被整除只在GoogLeNet中遇到过。卷积向下取整，池化向上取整。 例如：本题 （200-5+2*1）/2+1 为99.5，取99         （99-3）/1+1 为97         （97-3+2*1）/1+1 为97 研究过网络的话看到stride为1的时候，当kernel为 3 padding为1或者kernel为5 padding为2 一看就是卷积前后尺寸不变。 计算GoogLeNet全过程的尺寸也一样。

caffe里面和darknet里面不一致，对于池化的地方。比如：下图中，对于YOLOv2_tiny，416*416的输入，经过最后一个max pool（size=2，stride=1），可以看到特征图13*13处理后还是13*13。 这就有点问题了，测试发现，Caffe中经过这一层特征图由13*13变成了12*12，会导致在Caffe下检测结果的box有偏差。 ---------------------  作者：零尾  来源：CSDN  原文：https://blog.csdn.net/lwplwf/article/details/83011667  版权声明：本文为博主原创文章，转载请附上博文链接！

---------------------  作者：boyan_RF  来源：CSDN  原文：https://blog.csdn.net/zhongjunlang/article/details/79566422  版权声明：本文为博主原创文章，转载请附上博文链接！